用于真实图像去雾的渐进特征融合网络
计算机视觉与模式识别
2018-10-05 v1
摘要
单幅图像去雾是一个具有挑战性的病态复原问题。已有多种基于先验和基于学习的方法被提出。其中大多数遵循经典的大气散射模型，该模型是基于单次散射和均匀大气介质假设的一种简洁物理简化模型。真实环境中的雾形成机制更为复杂。本文中，我们提出将其本质机制视为“黑箱”，并专注于学习一个输入自适应的可训练端到端去雾模型。我们提出了一种类 U-Net 编码器-解码器深度网络，通过渐进特征融合，直接从观察到的有雾图像学习到无雾真值高度非线性的变换函数。所提网络在两个公开图像去雾基准上进行了评估。实验表明，与流行的 SOTA 方法相比，它能取得更优性能。凭借高效的 GPU 内存使用，它可满意地复原高达 4K 分辨率的超高清有雾图像，这是许多基于深度学习的去雾算法难以做到的。
引用
@article{arxiv.1810.02283,
title = {Progressive Feature Fusion Network for Realistic Image Dehazing},
author = {Kangfu Mei and Aiwen Jiang and Juncheng Li and Mingwen Wang},
journal= {arXiv preprint arXiv:1810.02283},
year = {2018}
}
备注
14 pages, 7 figures, 1 tables, accepted by ACCV2018